原文：
www.kdnuggets.com/2016/01/useful-data-science-feature-hashing.html
评论
威尔·麦金尼斯。
在之前关于 分类编码 的文章中，我们探讨了将分类变量转换为数值特征的不同方法。 在这篇文章中，我们将探讨另一种方法：特征哈希。
特征哈希，或称哈希技巧，是将任意特征转化为稀疏二进制向量的方法。 它可以非常高效，因为只需一个独立的哈希函数，而无需预先构建可能类别的字典。
一个简单的实现方法是让用户选择所需的输出维度，只需将输入值哈希为一个数字，然后将其除以所需的输出维度并取余数 R。 这样，你可以将特征编码为一个零向量，其中在索引 R 的位置为一。
在伪代码中，来自维基百科的文章：
function hashing_vectorizer(features : array of string, N : integer): x := new vector[N] for f in features: h := hash(f) x[h mod N] += 1 return x
或在 Python 中，从 分类编码:
def hash_fn(x): tmp = [0for_inrange(N)] for val in x.values: tmp[hash(val)% N] += 1 return pd.Series(tmp, index=cols)
cols = ['col_%d'% d for d in range(N)] X = X.apply(hash_fn, axis=1)
这效果如何呢？好吧，上次我们用相同的模型运行了所有编码器并比较了得分。 一些编码每次略有不同（取决于初始序数变换如何进行），所以我们运行模型 100 次，并生成其得分的箱线图。 使用蘑菇数据集：
在这个图中，你可以看到一些有趣的东西。 首先，虽然在上篇文章中介绍的二进制编码在平均水平上表现良好，但运行到运行的方差相当高，这并不理想。 此外，你可以看到随着用于哈希编码器的组件数量增加，性能逐渐上升，但在 16 时饱和，因为这个数据集的类别数量不足以需要超过 16 个组件。
在下一篇文章中，我将介绍这些兼容 scikit-learn 的转换器，提供一些使用示例，并分享一些关于如何在高维分类数据上构建优质模型的经验法则，以避免内存溢出。
查看更新的存储库，尝试你自己的编码器，使用我的编码器，或在你自己的数据上尝试：
github.com/wdm0006/categorical_encoding
原文.
相关：
-
数据科学职位市场 – 现状如何
-
Michael Li，Data Incubator 谈数据驱动的招聘策略
-
数据科学的艺术：你需要的技能及如何获得它们
1. 谷歌网络安全证书 - 快速进入网络安全职业生涯
2. 谷歌数据分析专业证书 - 提升你的数据分析能力
3. 谷歌 IT 支持专业证书 - 支持你组织的 IT 工作